模糊控制算法分析及改进

基于E.H.Mamdai等人的模糊控制算法,本文讨论了模糊控制器参数的选择及对系统输出性能的影响。与已有的方法不同,本文注重物理概念的分析,并研究了模糊控制器参数的自调整问题。这是因为基本模糊控制器参数的选择难以同时兼顾控制系统的动静态性能,一般只好采取折衷的方法。为了改善控制系统性能,一种实用的方法是在线调整模糊控制器的参数。文中提出了一种分段式自调参方案,仿真结果表明该方案优于已有的自调参方案。为了达到有效的调参目的,本文给出了模糊控制器参数初始配置的一种关系,并通过仿真,验证了该关系是确切的。最后,基于模糊控制算法的特点,探讨了一种新的模糊控制算法的构思,作为今后进一步研究的问题。     

基于模糊方向规则的火箭发动机传感器故障检测与分离

提出了一种直接从训练样本中获取模糊方向规则的学习算法，并应用于火箭发动机的传感器故障检测与分离。每种传感器故障模式由一些模糊方向规则聚集形成，模糊方向规则的全隶属区是一个由单位方向、夹角和两个半径确定的方向超体。模糊方向规则一次循环学习形成，在学习中能不断融合新样本信息。液体火箭发动机传感器故障检测与分离的仿真研究验证了模糊方向规则系统的优越性能。     

智能化雷达对抗情报处理技术研究

随着雷达技术的迅猛发展,雷达信号的密度、复杂程度都大幅度提高,这就增加了雷达信号的不确定性因素。本文讨论了粗糙集理论、模糊集理论、证据理论和可能性理论等人工智能技术在雷达对抗情报处理中的应用。对雷达辐射源的型号和工作模式识别、雷达网信息以及所属平台信息的推理技术进行了探索研究,给出了研究建议。     

基于IFS和IPSO算法的干扰资源分配方法

针对多干扰系统同时干扰多部雷达的干扰资源分配问题,提出一种基于直觉模糊集(IFS)和改进粒子群优化(IPSO)算法相结合的干扰资源分配方法。利用己方无源探测系统获得的敌方雷达参数,根据IFS理论得到敌方雷达的威胁系数;整合数据库中战场的己方干扰系统与敌方雷达系统信息,从空域、频域、极化方式和干扰样式4个方面定义了匹配度,表示己方干扰系统对敌方雷达系统的干扰效率,得到匹配度矩阵,结合敌方雷达威胁系数建立干扰目标函数;提出一种自适应调整权重、异步变化学习因子、针对离散问题的IPSO算法,并引入补偿粒子进行盲区搜索,求解出最佳干扰决策。仿真表明,本文提出的干扰资源分配方法相较于传统算法最优解正确率更高,且实时性更好。     

基于模糊集值统计的输出跟踪控制器设计

提出基于模糊集值统计下修改模糊推理模型的控制规则库方法。对于具有不确定因素的非线性系统,当外界条件和系统内部结构参数变化时,根据系统的输入输出数据对,首先建立控制规则库的估计函数,引入相似度概念,在线修改隶属函数,使实际输出跟踪期望值的变化。通过仿真验证表明,该方法对于非线性、不确定性复杂系统可以获得满意的跟踪控制效果。     

多源知识融合处理算法

多源知识融合可有效提高判决结果的可靠性和置信度.借鉴信息融合的思路,分析了知识融合方法和一般模型.重点讨论了基于Bayes准则、基于D-S(Dempster-Shafer)证据理论以及基于模糊集理论的知识融合算法,给出了基于3种知识融合算法的具体处理步骤,并从算法特点和适用性、实用性等方面对3种知识融合算法性能进行了对比分析.通过知识融合在合成孔径雷达(SAR,Synthetic Aperture Radar)图像融合中应用的仿真实验,验证了知识融合算法的有效性.     

区间模糊集理论及其运算法则(英文)

在区间模糊集概念及其性质的基础上,针对区间模糊集的3个理论尚未得到有效证明的现状,首先对区间模糊集的知识表示及其运算法则进行了研究,然后提出了基于区间模糊集的截集概念。并在此基础之上进一步研究了基于区间模糊集的分解定理、表现定理和扩展定理,并通过实例说明了传统模糊集是区间模糊集的一个特例,区间模糊集是传统模糊集的有效扩展。     

灰色犹豫模糊集的核与灰度的灰关联决策方法

首先,将犹豫模糊扩展为灰色犹豫模糊集。其次,用灰色系统“核与灰度”的方法代替了传统中预设决策者风险偏好的数据增补方法,在不改变信息域的前提下,提升了可信度。进而将“核与灰度”运算法则扩充到灰色关联度的决策中。最后,通过实例演示了方法的适用性和可行性,并与相关文献方法进行了对比研究与分析。     

项目风险评估研究

风险评估是各项目过程中的一个重要环节,通常由项目的不同角色去完成。随着越来越多的项目需要协同工作的发展趋势,有必要开发协同完成风险评估的工具。本文论述了风险评估系统的设计和实现,并阐明系统如何使异地的项目成员在项目概念设计阶段评估项目风险,开发了一个基于Web技术和模糊理论的原型系统。     

基于BP算法的模糊神经网络研究

提出了一种基于模糊集合与前馈神经网络结合的神经网络。这种模糊神经网络（ＦＮＮ）在处理模糊特征时，能较好地反映出输入值和输出值的隶属度关系。应用经典的ＢＰ算法对网络进行训练，为了加快网络的学习过程，我们介绍了一种调整权值和阈值的学习方法，并且采用了Ｃ语言编制软件，实验结果表明，ＦＮＮ技术是一种新颖、有效的方法，能促进智能神经网络的发展。